Utilisation de l'interface de ligne de commande
L'interface de ligne de commande YOLO (CLI) permet d'effectuer des commandes simples sur une seule ligne sans avoir besoin d'un environnement Python . CLI ne nécessite aucune personnalisation ni aucun code Python . Vous pouvez simplement exécuter toutes les tâches à partir du terminal à l'aide de la commande yolo
commandement.
Regarder : Mastering Ultralytics YOLO : CLI
Exemple
Ultralytics yolo
utilisent la syntaxe suivante :
yolo TASK MODE ARGS
Where TASK (optional) is one of [detect, segment, classify, pose, obb]
MODE (required) is one of [train, val, predict, export, track, benchmark]
ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.
yolo cfg
Entraîner un modèle de détection pendant 10 époques avec un taux d'apprentissage initial de 0.01
Prédire une vidéo YouTube à l'aide d'un modèle de segmentation pré-entraîné à une taille d'image de 320 :
Val un modèle de détection pré-entraîné pour une taille de lot de 1 et une taille d'image de 640 :
Exporter un modèle de classification YOLO11n au format ONNX avec une taille d'image de 224 par 128 (aucune TÂCHE requise).
OĂą ?
TASK
(facultatif) est l'un des éléments suivants[detect, segment, classify, pose, obb]
. S'il n'est pas transmis explicitement, YOLO11 essaiera de deviner le nom de l'utilisateur.TASK
du type de modèle.MODE
(obligatoire) est l'un des éléments suivants[train, val, predict, export, track, benchmark]
ARGS
(facultatif) sont un nombre quelconque dearg=value
paires commeimgsz=320
qui remplacent les valeurs par défaut. Pour une liste complète desARGS
voir le Configuration etdefaults.yaml
Avertissement
Les arguments doivent ĂŞtre transmis en tant que arg=val
séparées par une équation =
signe et délimité par des espaces entre les paires. Ne pas utiliser
--
préfixes ou virgules des arguments ,
entre les arguments.
yolo predict model=yolo11n.pt imgsz=640 conf=0.25
 ✅yolo predict model yolo11n.pt imgsz 640 conf 0.25
 ❌yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25
 ❌
Train
Entraîne YOLO11n sur le jeu de données COCO8 pendant 100 époques à la taille d'image 640. Pour une liste complète des arguments disponibles, voir la page Configuration.
Exemple
Val
Valider le modèle YOLO11n formé précision sur le jeu de données COCO8. Aucun argument n'est nécessaire car la fonction model
conserve sa formation data
et les arguments en tant qu'attributs du modèle.
Exemple
Prévoir
Utiliser un modèle YOLO11n entraîné pour effectuer des prédictions sur des images.
Exemple
Exportation
Exporter un modèle YOLO11n vers un format différent comme ONNX, CoreML, etc.
Exemple
Les formats d'exportation disponibles sur YOLO11 sont présentés dans le tableau ci-dessous. Vous pouvez exporter vers n'importe quel format à l'aide de la fonction format
l'argument, c'est-Ă -dire format='onnx'
ou format='engine'
.
Format | format Argument |
Modèle | Métadonnées | Arguments |
---|---|---|---|---|
PyTorch | - | yolo11n.pt |
âś… | - |
TorchScript | torchscript |
yolo11n.torchscript |
âś… | imgsz , optimize , batch |
ONNX | onnx |
yolo11n.onnx |
âś… | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolo11n_openvino_model/ |
âś… | imgsz , half , int8 , batch |
TensorRT | engine |
yolo11n.engine |
âś… | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolo11n.mlpackage |
âś… | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolo11n_saved_model/ |
âś… | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolo11n.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolo11n.tflite |
âś… | imgsz , half , int8 , batch |
TF Bord TPU | edgetpu |
yolo11n_edgetpu.tflite |
âś… | imgsz |
TF.js | tfjs |
yolo11n_web_model/ |
âś… | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolo11n_paddle_model/ |
âś… | imgsz , batch |
MNN | mnn |
yolo11n.mnn |
âś… | imgsz , batch , int8 , half |
NCNN | ncnn |
yolo11n_ncnn_model/ |
âś… | imgsz , half , batch |
IMX500 | imx |
yolov8n_imx_model/ |
âś… | imgsz , int8 |
Voir l'intégralité export
détails dans le Exportation page.
Remplacer les arguments par défaut
Les arguments par défaut peuvent être remplacés en les passant simplement en tant qu'arguments dans la page CLI de la rubrique arg=value
paires.
Conseil
Former un modèle de détection pour 10 epochs
avec learning_rate
de 0.01
Prédire une vidéo YouTube à l'aide d'un modèle de segmentation pré-entraîné à une taille d'image de 320 :
Remplacer le fichier de configuration par défaut
Vous pouvez remplacer le default.yaml
en passant un nouveau fichier avec l'option cfg
arguments, c'est-Ă -dire cfg=custom.yaml
.
Pour ce faire, créez d'abord une copie de default.yaml
dans votre répertoire de travail actuel avec l'option yolo copy-cfg
commandement.
Cela créera default_copy.yaml
que vous pouvez ensuite passer comme cfg=default_copy.yaml
ainsi que d'éventuels arguments supplémentaires, tels que imgsz=320
dans cet exemple :
FAQ
Comment utiliser l'interface de ligne de commande Ultralytics YOLO11 (CLI) pour l'apprentissage des modèles ?
Pour entraîner un modèle YOLO11 à l'aide de CLI, vous pouvez exécuter une simple commande d'une ligne dans le terminal. Par exemple, pour entraîner un modèle de détection pendant 10 époques avec un taux d'apprentissage de 0,01, vous devez exécuter la commande suivante :
Cette commande utilise la fonction train
avec des arguments spécifiques. Consultez la liste complète des arguments disponibles dans la section Guide de configuration.
Quelles sont les tâches que je peux effectuer avec le Ultralytics YOLO11 CLI ?
Le site Ultralytics YOLO11 CLI prend en charge toute une série de tâches, notamment la détection, la segmentation, la classification, la validation, la prédiction, l'exportation et le suivi. Par exemple :
- Former un modèle: Exécuter
yolo train data=<data.yaml> model=<model.pt> epochs=<num>
. - Prévisions de course: Utilisation
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>
. - Exporter un modèle: Exécuter
yolo export model=<model.pt> format=<export_format>
.
Chaque tâche peut être personnalisée à l'aide de divers arguments. Pour une syntaxe détaillée et des exemples, voir les sections respectives Train, Predict et Export.
Comment puis-je valider la précision d'un modèle YOLO11 entraîné à l'aide de CLI?
Pour valider la précision d'un modèle YOLO11 , utilisez la fonction val
mode. Par exemple, pour valider un modèle de détection pré-entraîné à l'aide d'un taille du lot de 1 et une taille d'image de 640, exécuter :
Cette commande évalue le modèle sur le jeu de données spécifié et fournit des mesures de performance. Pour plus de détails, voir la section Val.
Dans quels formats puis-je exporter mes modèles YOLO11 en utilisant CLI?
YOLO11 peuvent être exportés vers différents formats tels que ONNX, CoreML, TensorRT, et bien d'autres encore. Par exemple, pour exporter un modèle au format ONNX , exécutez :
Pour plus de détails, consultez la page Exportation.
Comment puis-je personnaliser les commandes YOLO11 CLI afin d'ignorer les arguments par défaut ?
Pour remplacer les arguments par défaut dans les commandes YOLO11 CLI , passez-les en tant que arg=value
paires. Par exemple, pour entraîner un modèle avec des arguments personnalisés, utilisez :
Pour obtenir la liste complète des arguments disponibles et leur description, reportez-vous au Guide de configuration. Assurez-vous que les arguments sont correctement formatés, comme indiqué dans la section Remplacer les arguments par défaut.